王書提 ， 巴寅亮 ， 謝 鑫

（1.新疆農(nóng)業(yè)大學(xué) 機(jī)械交通學(xué)院，新疆 烏魯木齊 830052；2.新疆農(nóng)業(yè)工程裝備創(chuàng)新設(shè)計(jì)重點(diǎn)實(shí)驗(yàn)室，新疆 烏魯木齊 830052）

柴油發(fā)動機(jī)電子控制技術(shù)始于20世紀(jì)70年代，首先開始于電子調(diào)配器、電子燃油噴射的研究。20世紀(jì)80年代以來，英國盧卡斯公司、德國博世公司、奔馳汽車公司等都競相開發(fā)新產(chǎn)品并投放市場，以滿足日益嚴(yán)格的排放法規(guī)要求。到20世紀(jì)90年代，開始致力于柴油機(jī)電控噴射、發(fā)動機(jī)自檢、即時(shí)反饋并監(jiān)控適當(dāng)?shù)墓┯偷确矫娴难芯?，并出現(xiàn)車載計(jì)算機(jī)診斷，之后又發(fā)展到用廢氣再循環(huán)等對進(jìn)氣和供油進(jìn)行全面控制、使用稀薄混合氣等技術(shù)。柴油發(fā)動機(jī)的性能得到了提高，同時(shí)柴油機(jī)電控系統(tǒng)也變得越來越復(fù)雜，這使得柴油機(jī)電控系統(tǒng)故障診斷的難度性增大。

神經(jīng)網(wǎng)絡(luò)（Neural Networks，NN），是對人腦或生物神經(jīng)網(wǎng)絡(luò)的抽象和建模，具有從環(huán)境學(xué)習(xí)的能力，以類似生物的交互方式適應(yīng)環(huán)境。神經(jīng)網(wǎng)絡(luò)是智能科學(xué)和計(jì)算智能的重要部分，以腦科學(xué)和認(rèn)知神經(jīng)科學(xué)的研究成果為基礎(chǔ)，拓展智能信息處理的方法，為解決復(fù)雜問題和實(shí)現(xiàn)自動控制提供有效的途徑。

本文以長城哈佛GW2.8TC柴油發(fā)動機(jī)電控系統(tǒng)為例，運(yùn)用LVQ神經(jīng)網(wǎng)絡(luò)建立診斷模型，并對柴油機(jī)電控系統(tǒng)進(jìn)行故障診斷。

1 LVQ神經(jīng)網(wǎng)絡(luò)

學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò) （Learning Vector Quantization Network，LVQ）是兩層的網(wǎng)絡(luò)結(jié)構(gòu)，第一層為競爭層，第二層為線性層。競爭層用于對輸入向量進(jìn)行分類；線性層將競爭層傳遞過來的分類信息轉(zhuǎn)換為使用者所定義的期望類別。通常將競爭層學(xué)習(xí)得到的類稱為子類，經(jīng)線性層的類稱為期望類別。

1.1 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，競爭層和線性層每一類別各有一個神經(jīng)元，競爭層通過學(xué)習(xí)，可以得到S1類子分類結(jié)果；然后，線性層將S1類子分類結(jié)果再分成S2類目標(biāo)分類結(jié)果（S1始終大于 S2）。 例如，假設(shè)競爭層的第 1，2，3個神經(jīng)元對輸入空間的子分類所對應(yīng)的線性層的目標(biāo)分類為第2類，則競爭層的第1，2，3個神經(jīng)元與線性層的第2個神經(jīng)元的連接權(quán)將全部為1，而與其他線性層神經(jīng)元的連接權(quán)全部為0，這樣，當(dāng)競爭層的第1，2，3個神經(jīng)元中的任意一個神經(jīng)元在競爭中獲勝時(shí)，線性層的第2個神經(jīng)元將輸出1。

圖1 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of LVQ neural network

1.2 LVQ神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

LVQ神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與其他有導(dǎo)師學(xué)習(xí)方法一樣，其訓(xùn)練樣本集的輸入向量和目標(biāo)向量是成對出現(xiàn)的，即

每個目標(biāo)向量，除了有一個元素為1以外，其余元素均為0，目標(biāo)向量中元素為1的行即為相應(yīng)的輸入向量模式。例如，對具有3個輸入元素、4個輸出模式的LVQ網(wǎng)絡(luò)，若

則表示第1個訓(xùn)練樣本對應(yīng)于第2個模式，LVQ網(wǎng)絡(luò)輸出層的第2個神經(jīng)元輸出1。

LVQ網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，需要輸入向量p，p與輸入權(quán)值矩陣行向量之間的距離應(yīng)用ndist（）函數(shù)計(jì)算。隱層為競爭層，假設(shè)n1的第i個元素贏得競爭，則競爭傳遞函數(shù)的輸出a1，其第i個元素為1，其余元素為0。

當(dāng)a1與第二層權(quán)值IW2相乘時(shí)，在a1中1的元素被認(rèn)為是與輸入向量對應(yīng)的第k個分類模式，所以網(wǎng)絡(luò)認(rèn)為輸入向量p為第k個分類模式，則a2的第k個元素輸出1。

根據(jù)目標(biāo)向量，調(diào)整IW2的第i行，當(dāng)分類結(jié)果正確時(shí)，使該行元素的值向輸入向量p靠攏；當(dāng)分類結(jié)果錯誤時(shí)，使該行元素的值遠(yuǎn)離輸入向量p。當(dāng)輸入向量p得到正確的分類時(shí)，

IW1的第i行可以按下式進(jìn)行修正：

當(dāng)輸入向量p得到錯誤的分類時(shí)，

IW1的第i行可以按下式進(jìn)行修正：

在調(diào)整IW1的第i行時(shí)，其他行不變，所以輸出誤差反向傳播到第一層網(wǎng)絡(luò)，對IW1的其他行沒有影響。按上述方法進(jìn)行修正的結(jié)果使得隱層的神經(jīng)元趨近落入相應(yīng)輸入模式的輸入向量，遠(yuǎn)離其他模式的輸入向量，以構(gòu)成其子分類。

所謂向量量化，就是將向量臨近的區(qū)域看作同一量化等級，用其中心值表示，即用少量的聚類中心表示原始數(shù)據(jù)。

2 基于LVQ神經(jīng)網(wǎng)絡(luò)的故障診斷應(yīng)用實(shí)例

2.1 柴油機(jī)電控系統(tǒng)故障設(shè)置及采集數(shù)據(jù)流

本文以長城哈佛GW2.8TC柴油發(fā)動機(jī)電控系統(tǒng)為研究對象，利用金德KT600故障診斷儀采集柴油機(jī)的故障數(shù)據(jù)流，數(shù)據(jù)流是柴油機(jī)工作時(shí)，ECU接收到的各種傳感器信號的瞬時(shí)數(shù)值和ECU控制執(zhí)行器的輸出指令信號，可由診斷儀器檢測到的編碼信息。以柴油機(jī)在正常怠速、加速踏板1的5 V電源線開路、空氣流量傳感器插頭開路和凸輪軸傳感器線路有故障4種狀態(tài)時(shí)，采集數(shù)據(jù)流，采集到的數(shù)據(jù)流分別如表1～表4所示。對這4種狀態(tài)進(jìn)行訓(xùn)練樣本數(shù)據(jù)采集，采集到的訓(xùn)練樣本數(shù)據(jù)如表5所示，其中在表5中以A表示正常怠速狀態(tài)，以B表示加速踏板1的5 V電源線開路狀態(tài)，以C表示空氣流量傳感器插頭開路狀態(tài)和以D表示凸輪軸傳感器線路有故障狀態(tài)。

表1 正常怠速Tab.1 The normal idle speed

2.2 程序設(shè)計(jì)

在Matlab工作環(huán)境下，調(diào)用LVQ神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建的代碼如下：

p=[805 798 798 799 800 800 792 797；

81.86 8 0.86 78.86 78.86 84.86 83.86 85.86 85.86；

表3 空氣流量傳感器插頭開路Tab.3 The plug of Air flow sensor is opened

表4 凸輪軸傳感器線路有故障Tab.4 The line of camshaft sensor is fault

表5 訓(xùn)練樣本Tab.5 Training samp les

0 0 0 0 0 0 0 0；

0.71 0.71 0.31 0.31 0.71 0.71 0.71 0.71；

0.35 0.35 0.35 0.35 0.35 0.35 0.35 0.35；

314 308 308 309 316 315 297 300；

99.96 9 9.96 99.96 99.96 99.96 99.96 52.14 52.34；

8.23 8.23 8.62 8.61 9.02 9.02 6.66 8.32；

1950 1980 1920 1910 2040 2010 1770 1760]；

t=[1 1 2 2 2 2 2 2]；

T=ind2vec（t）；

net=newlvq（minmax（p），20，[0.25，0.75]，0.5）；

net=init（net）;

net.trainParam.epochs=150;

net.trainParam.show=50;

net.trainParam.goal=0;

[net，tr]=train（net，p，T）;

plotperf（tr，net.trainParam.goal）;

其中，p中數(shù)據(jù)為訓(xùn)練樣本輸入向量；t中的向量以1表示正常狀態(tài)，以2表示故障狀態(tài)；通過函數(shù)ind2vec（t），使t中的向量轉(zhuǎn)換成學(xué)習(xí)向量量化網(wǎng)絡(luò)使用的目標(biāo)向量T；newlvq用于創(chuàng)建LVQ神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)率設(shè)置為0.5，網(wǎng)絡(luò)訓(xùn)練前應(yīng)將網(wǎng)絡(luò)初始化；最大訓(xùn)練次數(shù)設(shè)置為150，目標(biāo)goal設(shè)置為0。運(yùn)行程序后，所得訓(xùn)練曲線如圖2所示，由圖2可以看出訓(xùn)練只需4次即達(dá)到目標(biāo)值，用時(shí)不到一秒種，由此可得LVQ神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度快、精度比較高。

圖2 訓(xùn)練曲線Fig.2 Training curve

3 結(jié) 論

汽車柴油發(fā)動機(jī)采用電控技術(shù)，促使了柴油發(fā)動機(jī)的可持續(xù)發(fā)展，更充分發(fā)揮柴油機(jī)固有的優(yōu)點(diǎn)，但電控技術(shù)也使得柴油機(jī)結(jié)構(gòu)變得復(fù)雜，給故障診斷增加了難度。本文以長城哈佛GW2.8TC柴油發(fā)動機(jī)電控系統(tǒng)為實(shí)驗(yàn)對象，采集訓(xùn)練樣本數(shù)據(jù)流，采用LVQ神經(jīng)網(wǎng)絡(luò)建立診斷模型，診斷結(jié)果達(dá)到預(yù)期目標(biāo)，LVQ網(wǎng)絡(luò)可以完成對輸入向量模式的準(zhǔn)確分類。實(shí)驗(yàn)結(jié)果表明以LVQ神經(jīng)網(wǎng)絡(luò)建立的故障診斷模型，為汽車故障診斷提供了一定的思路。

[1]呂彩琴.汽車發(fā)動機(jī)電控技術(shù)[M].北京:國防工業(yè)出版社，2009.

[2]史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京:高等教育出版社，2009.

[3]董長虹.神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京:國防工業(yè)出版社，2005.

[4]蔣宇，李志雄，唐銘.LVQ神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷中的應(yīng)用研究[J].機(jī)械科學(xué)與技術(shù)，2011（3）:408-411.JIANG Yu，LI Zhi-xiong，TANG Ming.Alearning vector quantization neural network for faults diagnosis of rolling bearing and its application[J].Mechanical Science and Technology for Aerospace Engineering，2011（3）:408-411.

[5]周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出版社，2005.

[6]康健，左憲章，吳彩華，等.基于神經(jīng)網(wǎng)絡(luò)的柴油發(fā)動機(jī)故障預(yù)測研究[J].計(jì)算機(jī)測量與控制，2006（8）:987-989.KANG Jian，ZUO Xian-zhang，WU Cai-hua，et al.Research on fault predication for diesel motor based on Neural Network[J].Computer Measurement&Control，2006 （8）:987-989.

[7]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:機(jī)械工業(yè)出版社，2009.

[8]張丹，安錦文，孫健.基于LVQ神經(jīng)網(wǎng)絡(luò)的飛行作動器故障診斷[J].計(jì)算機(jī)測量與控制，2008（7）:932-934，938.ZHANG Dan，AN Jin-wen，SUN Jian.Fault-diagnosis system of flightactuator based on LVQ Neural Network[J].Computer Measurement&Control，2008（7）:932-934，938.